用于高效可解释空间分析的多分辨率张量学习
机器学习
2020-08-18 v5 机器学习
摘要
高效且可解释的空间分析在地质学、体育和气候科学等诸多领域中至关重要。张量隐因子模型能够描述空间数据的高阶相关性。然而，它们训练计算代价高且对初始化敏感，导致空间上不连贯、不可解释的结果。我们提出了一种新颖的多分辨率张量学习（MRTL）算法，用于高效学习可解释的空间模式。MRTL 从近似满秩张量模型初始化隐因子以提升可解释性，并从粗分辨率渐进学习到细分辨率以降低计算量。我们还证明了 MRTL 的理论收敛性与计算复杂度。应用于两个真实数据集时，MRTL 相比固定分辨率方法实现了 4~5 倍加速，同时产生准确且可解释的隐因子。
引用
@article{arxiv.2002.05578,
title = {Multiresolution Tensor Learning for Efficient and Interpretable Spatial Analysis},
author = {Jung Yeon Park and Kenneth Theo Carr and Stephan Zheng and Yisong Yue and Rose Yu},
journal= {arXiv preprint arXiv:2002.05578},
year = {2020}
}
备注
ICML 2020